為本研究中人體坐姿判讀流程的第三步驟：判斷分類器。介紹如 何將類神經網路之演算結果透過閥值的方式來分類出坐姿正與不 正，以及閥值該如何選取之過程。
當已經用 ROC 曲線下面積來選定類神經網路之後，再來就是要 設立判斷的依據。我們藉由觀查訓練資料在經過類神經網路處理後其 輸出值的分佈情形，來判定坐姿正與不正的閥值該為多少。
雖然目標輸出值僅為 0 或 1，但是類神經網路的輸出不見得會是 零誤差，因此輸出值在經過活化函數的處理之後會坐落在[0，1]區 間。而將訓練資料透過類神經網路處理後的輸出值，分別依照為其屬 於坐姿正或坐姿不正，將輸出值出現的次數做統計結果，畫出長條 圖，圖 4--1 與圖 4--2 為切除人體下半身時的統計長條圖，圖 4-3 與 圖 4-4 為人體軀幹部分的統計長條圖。其中長條圖的高度，代表的就 是類神經網路輸出的這個值屬於坐姿正或坐姿不正的次數，將長條圖 的高度除上所有正的坐姿或是所有不正的坐姿，就會分別變成正的坐 姿或不正的坐姿的機率密度函數，不同影像處理之下的機率密度分佈 圖分別如圖 4-5 與圖 4-6 所示。
由圖 4-5 與圖 4-6 我們可以看出坐姿正與坐姿不正其實是分得很
開的兩大群，兩者重複的部分其實並不多，但是，我們也同樣可以從 圖 4-5 與圖 4-6 中發現到，坐姿正與坐姿不正的分布雖然分別是屬於 右偏型與左偏型，但是中間部分之曲線較於平緩，實在很難直接就能 找出分割坐姿正與坐姿不正的閥值為何。因此，我們在此介紹可供我 們找出坐姿正與坐姿不正判定閥值之參數－Precision（準確率）與 Recall（召回率）、Kappa coefficient（A. Agresti，1996）這兩大類。
Precision 與 Recall 專門用在信息檢索中，用來對信息檢索能力做
信度(inter-rater reliability)與人內信度(intra-rater reliability)這兩種。例
觀察 45 張受試者的胸部 x 片，其中第一位醫生判定有 26 位受試者罹
度函數乘上總數量去求出從 0 到 1 每隔 0.05 取一次閥值時，TP、
FP 、FN 與 TN 值各為何，進而求出此時判斷結果的值。而當值 越大，就說明此時類神經網路的目標輸出值與實際輸出值越吻合！因 此值最大的時候所對應的閥值，就是我們所要的類神經網路之最佳 閥值。
由圖 4-7 可以看出，在寬鬆的上半身定義下圖形擷取的判斷閥值 為 0.55，此時的值為 0.771；由圖 4-8 可以看出，在嚴格的上半身定 義下圖形擷取的判斷閥值為 0.55，此時的值為 0.792，從表 4-1 表示
值判斷能力的表格中我們可以知道：當值介在 0.60 與 0.80 之間的 時候，此時的可靠度程度為可靠度優。
因此，總結本研究中所要發展的坐姿判斷系統架構內容：在寬鬆 的上半身定義下圖形擷取時，類神經網路隱藏層神經元數量選用 14 個，判斷閥值則設為 0.55，大於此閥值視為正姿，小於此閥值則視為 不正姿；在嚴格的上半身定義下圖形擷取時，類神經網路隱藏層神經 元數量為 14 個，判斷閥值設為 0.55，大於此閥值視為正姿，小於此 閥值則視為不正姿。
圖 4-1 刪除小腿之上半身之坐姿正輸出統計長條圖
圖 4-2 刪除小腿之上半身坐姿不正輸出統計長條圖
圖 4-3 刪除小腿、手與大腿之上半身坐姿正時輸出統計長條圖
圖 4-4 刪除小腿、手與大腿之上半身坐姿不正時輸出統計長條圖
圖 4-5 刪除小腿之上半身機率密度函數圖
圖 4-6 刪除小腿、手與大腿之上半身機率密度函數圖
圖 4-7 刪除小腿之上半身判斷閥值與圖
圖 4-8 刪除小腿、手與大腿之上半身判斷閥值與圖
表 4-1 κ 量表
第五章 坐姿判斷之實驗分析與討論
本章將介紹坐姿判斷實驗分析內容，包括實驗受試者、實驗流 程、實驗數據及分析其實驗結果。
5-1 受試者與受試環境介紹
實驗受試者為台大應用力學研究所 227 結構安全評估實驗室的 3 名碩士一年級生、3 名碩士二年級生、3 名行政助理以及 1 名博士後 研究員，總共 10 名受試者。
為了模擬與考慮到不同室內燈光的真實環境，受試者的受試時間 白天與晚上都有，地點選用在國立台灣大學應用力學研究所二樓的 231 教室與 233 教室，並且也直接利用教室裡面的桌椅，以驗證在不 同桌椅下此判斷坐姿方法之普遍性。
5-2 實驗流程與結果
整個實驗判斷流程如圖 5-2-1 所示，一開始利用相機拍攝空的桌 椅與環境當做背景部分，之後受試者坐在椅子上做出一標準姿勢，之 後將姿勢圖與背景圖校正光線後相減，再經過高斯平滑濾波與二元化 處理，擷取目標圖型，之後計算慣性積與慣性舉等參數。爾後受試者 陸續做出不同的坐姿，這些坐姿也經過上述標準坐姿的處理過程，然
後把非標準坐姿計算出來的參數值除上標準坐姿的參數值進行正規 化，之後將各姿勢正規化的參數帶入到利用訓練資料訓練好的類神經 網路中去計算，之後再將類神經網路的輸出值直接套入分類器判斷系 統判斷出此姿勢為正姿或是不正姿。
本實驗蒐集了十位受試者共 708 張姿勢圖，選取其中 388 張姿勢 圖當作訓練資料，訓練出本研究中的所需的類神經網路架構與分類器 判斷系統規則，剩餘的 320 張姿勢圖則當作測試資料，測試其效果如 何。圖 5-2-2 為訓練資料在刪除小腿時各參數經正規化後的分布圖，
圖 5-2-3 為訓練資料在刪除小腿、大腿與手時各參數經正規化後的分 布圖，圖 5-2-4 為測試資料在刪除小腿時各參數經正規化後的分布 圖，圖 5-2-5 為測試資料在刪除小腿、大腿與手時各參數經正規化後 的分布圖。由這些圖可以看出當坐姿正的時候，參數IX普遍會比坐姿 不正來的大，參數IY與IXY普遍會比坐姿不正來的小。
測試資料刪除小腿時的類神經網路之 ROC 曲線下如圖 5-2-6 所 示，面積為 0.8235；在此類神經網路下不同閥值與值關係如圖 5-2-7 所示，在分類器判斷閥值為 0.580 時，值為 0.545，套用表 4-1 之結 果可知此時的值代表可靠性中等；而此時的 TP 等值的四個分布如 表 5-2-1 所示，可以看出原本姿勢正被判斷成姿勢不正的姿勢有 32 個，原本姿勢不正卻被判斷程姿勢正的姿勢有 34 個。
測試資料計算在刪除小腿、大腿與手時的類神經網路之 ROC 曲 線下如圖 5-2-8 所示，面積為 0.8894；在此類神經網路下不同閥值與
值關係如圖 5-2-9 所示，在分類器判斷閥值為 0.55 時，值為 0.653，
套用表 4-1 之結果可知此時的值代表考靠性優；而此時的 TP 等值 的四個分布如表 5-2-2 所示，可以看出原本姿勢正被判斷成姿勢不正 的姿勢有 35 個，原本姿勢不正卻被判斷程姿勢正的姿勢有 20 個。
5-3 實驗討論
不管是只刪除小腿的下半身，或者是刪掉所有腿部與手的目標圖 形所計算出的參數值，由圖 5-2-2 至圖 5-2-5 可以看出在參數IX的部 份，坐姿正會比坐姿不正來的大，而在參數IY與IXY 部分，坐姿不正 比坐姿正來的小。然而因為每個人一開始給定的標準坐姿不見得一定 會非常的「正」，因此在正規化之後，同樣都是 0.6 的正規化值，對 於第一位受試者來說是坐姿「不正」，對第二位受試者來說是坐姿
「正」，因此在圖 5-2-2 至圖 5-2-5 中，會發現坐姿正與坐姿不正在中 間會有交界的地帶出現。
由圖 5-2-6 與圖 5-2-8 中可以看出，在刪掉所有腿部與手的情況
下，判斷的結果會比較好；由表 5-2-1 與表 5-2-2 也可以看出，在 TP 值的部分這兩種目標圖型擷取下判斷出來的結果差不多，但是在 TN 值的部分，刪除掉所有腿與手的圖形擷取之結果會比只刪除小腿之結
果好很多，TP 值代表的意思是坐姿正判斷成坐姿正，如果 TP 值下降 則代表此系統對於坐姿正的誤判率高，也就是判斷較為「保守」的意 思；而 TN 值代表的意思是坐姿不正判斷成坐姿不正，如果 TN 值下 降則代表此系統對於坐姿不正的誤判率高，也就是「無法糾正坐姿不 正」之結果，因此對於本坐姿判斷系統而言，TN 值的重要性比 TP 值還要高。
本研究的坐姿判斷系統在只刪除小腿部分的情形下，TP rate（又 稱為靈敏度，sensitivity）為 80%，TN rate 為 78.75%，準確率為 79.38%；
在刪除腿部與手的情形下，TP rate 為 78.13%，TN rate 為 87.5%，準 確率為 82.82%。由實驗的結果可以得知，利用慣性矩與慣性積當作 圖形特徵參數時，是能夠作為判斷坐姿好壞的依據，然而仍有一些姿 勢被誤判，以下為探討誤判坐姿的部分。
1. 將正姿誤判成分正姿的部分：在只刪除小腿部分的情形下，會 很容易對於一些明明是正的坐姿，但只是將手放置上桌上等姿勢判斷 成不正，如圖 5-3-1 所示，這類型的姿勢在只刪除小腿的圖形擷取的 部分，幾乎都被誤判，因為在沒有刪除手的情形下，手的影像會使的 慣性矩矩中IY變大，因此系統會將這樣的姿勢判成坐姿不正。而在刪 除所有腿部與手的情形下，會對於一些影像模糊(聚焦沒對好)或者是 影像處理的不夠乾淨的圖形產生誤差，如圖 5-3-2 與圖 5-3-3，因為所
選取的區塊變小了，一些沒有完全清除掉的背景對於參數值的計算會 造成較大的影響，進而產生誤判。而這兩種圖形擷取同時都可能產生 誤判的坐姿，則為身軀往後靠在椅背上的坐姿，如圖 5-3-4 所示，雖 然不是每一張靠椅背的坐姿都會被誤判，但卻是這兩種圖形擷取唯一 同時產生誤判的坐姿，其因素可能是因為當身軀往後靠在椅背上的時 候，會因為椅背具有斜度，而使得此時的慣性矩IY 與慣性積IXY變大，
高度降低，使慣性矩IX的變小，如此一來就會被判斷成不正的姿勢。
此外，還有一些特殊的姿勢也被誤判，如圖 5-3-5 與圖 5-3-6 所示，
在圖 5-3-5 中，雖然上半身是挺直的(因此視為正姿)，但是手擺放的
在圖 5-3-5 中，雖然上半身是挺直的(因此視為正姿)，但是手擺放的